Note：[ wechat：Y466551 | 付费咨询，非诚勿扰 ]

论文信息

论文标题：Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
论文作者：Kuniaki Saito, Kohei Watanabe, Y. Ushiku, T. Harada
论文来源：2018 CVPR
论文地址：download
论文代码：download
视屏讲解：click

1 介绍

　　出发点：以往方法训练域分类器网络（即鉴别器）来区分特征作为源或目标，并训练特征生成器网络来模拟鉴别器。然而，域分类器只试图将特征作为源或目标来区分，因此不考虑类之间特定于任务的决策边界。
　　以往方法和本文方法的对比：
　　　　
　　注意：之前方法应该是指基于域差异减小的方法；

　　贡献：

- 提出了一种新的域适应训练方法，通过考虑特定任务的决策边界来对齐目标域的分布。不使用域鉴别器来区分特征作为源或目标域；
- 通过一个玩具问题来确认我们的方法的行为；
- 在各种任务上广泛地评估我们的方法：数字分类，对象分类，和语义分割；

2 方法

2.1 模型框架

2.2 训练步骤

　　Step A，同时训练分类器和生成器来正确地对源样本进行分类。为了使分类器和生成器获得特定于任务的鉴别特征，训练网络来最小化交叉熵。其目标如下：

　　　　$\begin{array}{l}\underset{G, F_{1}, F_{2}}{\text{min}} L\left(X_{s}, Y_{s}\right) . \\L\left(X_{s}, Y_{s}\right)=-\mathbb{E}_{\left(\mathbf{x}_{s}, y_{s}\right) \sim\left(X_{s}, Y_{s}\right)} \sum_{k=1}^{K} \mathbb{1}_{\left[k=y_{s}\right]} \log p\left(y \mid \mathbf{x}_{s}\right)\end{array}$

　　Step B，固定特征生成器 $G$，训练分类器（$F_1$，$F_2$）作为鉴别器。通过训练分类器来增加差异，可以检测到被源域的 support 所排除的目标样本。其目标如下：

　　　　$\begin{array}{l}\underset{F_{1}, F_{2}}{\text{min}} \; L\left(X_{s}, Y_{s}\right)-L_{a d v}\left(X_{t}\right) . \\L_{a d v}\left(X_{t}\right)=\mathbb{E}_{\mathbf{x}_{\mathbf{t}} \sim X_{t}}\left[d\left(p_{1}\left(\mathbf{y} \mid \mathbf{x}_{\mathbf{t}}\right), p_{2}\left(\mathbf{y} \mid \mathbf{x}_{\mathbf{t}}\right)\right)\right]\end{array}$

　　Step C，固定分类器 $F_1$，$F_2$ ，训练生成器 $G$ 最小化固定分类器的差异。其目标如下：

　　　　$\underset{G}{\text{min}} \; L_{a d v}\left(X_{t}\right)$

　　图示如下：